人工智能和FLIP泛度计 - - 食道运动模式的自动分类
Miguel Mascarenhas1,2,3, Francisco Mendes1,2, João Rala Cordeiro4,5
1Gastroenterology Department, Centro Hospitalar Universitário São João, 4200-319 Porto, Portugal.
Journal of clinical medicine
|January 10, 2026
概括
人工智能 (AI) 模型现在可以准确地分类功能光成像探针 (FLIP) 泛米检查,改善食道运动模式的分析. 这种人工智能驱动的方法提高了诊断准确性和患者管理的可访问性.
科学领域:
- 胃肠病学 胃肠病学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 功能性光成像探针 (FLIP) 泛度测量在内镜检查期间评估食道胃结和食道运动性.
- 在达拉斯共识的指导下,对FLIP泛度测量数据的分析是复杂的.
- 有限的研究存在于人工智能 (AI) 在FLIP泛米测中的应用.
研究的目的:
- 开发一种人工智能模型,用于在FLIP泛米测试中自动分类运动模式.
- 为了评估机器学习模型在识别病态FLIP泛度测量模式方面的表现.
主要方法:
- 分析了来自五个国际中心的105个FLIP泛米测试试卷.
- 机器学习模型使用患者分割设计进行了训练和验证.
- 使用准确度和接收器运行特征曲线 (AUC-ROC) 下的面积来评估性能.
主要成果:
- 一个AdaBoost分类器实现了84.9%的准确性 (AUC-ROC 0.92) 病理模式.
- 随机森林以86.7%的准确率 (AUC-ROC 0.973) 确定了食管胃结口打开障碍.
- 梯度增强分类器检测到收缩反应障碍的准确率为86.0% (AUC-ROC 0.933).
结论:
- 一个机器学习模型根据达拉斯共识准确地对FLIP泛度测试进行了分类.
- 人工智能驱动的FLIP泛度测量有可能彻底改变考试标准化和可访问性.
- 这项技术可以通过优化诊断准确度显著改变患者管理.
